Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans

技術要約：3D CTスキャンからのマルチラベル異常解析に向けた構造化スペクトルグラフ表現学習

問題提起
胸部CT検査のボリュームが増加する中、放射線科医の異常検出を支援するための自動化ツールの必要性が高まっています。マルチラベル分類は臨床的意思決定支援において極めて重要ですが、ボリュームデータに内在する複雑な空間関係や、病理の多様性ゆえに困難が伴います。既存のアプローチには特有の限界があります。3D畳み込みニューラルネットワーク（CNN）は長距離依存性の捕捉に苦戦することが多く、Vision Transformer（ViT）は、競争力のある性能を発揮するために、大規模なドメイン特化型データセットでの広範な事前学習を必要とする傾向があります。さらに、既存の多くの2.5D手法（スライスを独立して、あるいはシーケンスとして処理するもの）は、ボリューム内の空間的な連続性とスライス間の依存関係を明示的にモデル化できていません。

手法：CT-SSG
著者らは、3D CTボリュームを構造化グラフとして表現する2.5DフレームワークであるCT-SSG（Structured Spectral Graph for Computed Tomography）を提案しています。このアーキテクチャは、主に4つの段階で構成されます。

1. 特徴量の初期化： 入力される3Dボリュームは、$N$個の隣接する軸方向スライスの非重複なトリプレット（3枚組）に分割されます。各トリプレットは、2D ResNet-18バックボーンによって独立して処理され、各トリプレットのコンパクトな埋め込み（embedding）となる空間的特徴が抽出されます。このアプローチは、計算コストの高いフル3D畳み込みを用いることなく、局所的なスライス間のコンテキストを捉えます。
2. グラフ構築： ボリュームは、各ノード $v_i$ が軸方向スライスのトリプレットを表すグラフ $G=(V, E)$ としてモデル化されます。エッジは、頭尾方向（z軸）に沿った物理的距離に基づいてノードを接続します。エッジの重みは、トリプレット間の距離とスライス間隔の関数として定義され、これによりモデルは空間的関係をエンコードできます。著者らは、完全結合トポロジーと、受容野サイズ $q$ 内に接続を制限した疎なトポロジーの両方を検討しています。
3. スペクトル領域におけるメッセージパッシング： 患者間の解剖学的配置の変動に対処するため、モデルはチェビシェフ・グラフ畳み込みに基づくスペクトルモジュールを採用しています。固定された局所近傍を集約する空間グラフ畳み込みとは異なり、スペクトル畳み込みはグラフ・ラプラシアンの多項式近似を用いてフーリエ領域で動作します。これにより、階層的な特徴表現と長距離の解剖学的関係を捉えることができ、かつ患者間の変動に対して堅牢性を維持できます。このモジュールには、軸方向の位置情報を保持するための「Triplet Axial Slice Positional Embeddings」が含まれており、正規化層を備えた残差接続を利用しています。
4. 分類： 更新されたノード表現は平均プーリングを介して集約され、グローバルなボリューム埋め込みが生成されます。これが分類ヘッドへと渡され、バイナリ・クロスエントロピー損失を用いて複数の異常の存在を予測します。

主な貢献
本論文では、5つの主要な貢献を述べています。

1. CT-SSGフレームワーク： 3D CTボリュームをトリプレット軸方向スライスのグラフとしてモデル化し、スペクトル領域のGNNモジュール内にTriplet Axial Slice Positional Embeddingsとエッジ重み付け戦略を組み込んだ、新しい視覚エンコーダ。
2. クロスデータセット汎用性： CT-RATEデータセット（トルコ）で学習し、米国（RAD-ChestCT）およびフランス（CT-HCL）の独立したデータセットで評価することで、強力な汎用性を実証しました。また、胸部から腹部CTスキャンへの転移性も示しました。
3. 包括的なアブレーション研究： モデルの深さ、ハイパーパラメータ、グラフトポロジー（疎 vs 完全結合）、エッジの重み付け、および結合パターンに関する系統的な評価。本研究は、疎なトポロジーと局所的な近傍、および単一のスペクトル層が最適な性能をもたらすことを特定しています。
4. レポート生成への転用： 自動放射線科レポート生成のための視覚エンコーダとしてのCT-SSGの評価を行い、学習された表現がダウンストリームのテキスト生成タスクにおいても効果的であることを示しました。
5. 腹部CTへの転用： 低データ環境における腹部CT異常分類へのアプローチを検証し、3,750サンプル未満の場合、胸部で事前学習されたバックボーンがゼロからの教師あり学習よりも優れた性能を示すことを明らかにしました。

実験結果
モデルはCT-RATEデータセット（21,304人）を用いて評価され、3D CNN、3D Transformer（ViViT, Swin3D）、および他の2.5D手法（CT-Net, CT-Scroll）と比較されました。

• 性能： CT-SSGはCT-RATEテストセットにおいて**57.18%**のマクロF1スコアを達成し、最良のベースライン（CT-Scrollの54.30%）を上回り、3D TransformerやCNNに対して有意な向上を示しました。
• 汎用性： クロスデータセット評価において、CT-SSGはRAD-ChestCTおよびCT-HCLの両方でF1スコア、AUROC、mAPにおいて一貫して最高ランクを維持し、異なる臨床分布に対する堅牢性を示しました。
• アブレーションの知見：
  • トポロジー： 疎なグラフトポロジー（受容野 $q=16$）は完全結合トポロジーよりも優れた性能を示し、集約を局所的な相互作用に制限することが短距離の依存関係を捉えるのに適していることが示唆されました。
  • 深さ： 単一のスペクトル層が最良の結果をもたらし、このタスクには深いグラフ構造は必要ないことが示唆されました。
  • フィルタサイズ： 疎なグラフにおいては、チェビシェフ・フィルタサイズ $K=3$ が最適でしたが、完全結合グラフでは $K$ を高くしても収穫逓減が見られました。
  • 堅牢性： モデルはz軸の平行移動およびガウスノイズによる摂動に対して堅牢性を維持しました。
• ダウンストリームタスク： レポート生成において、CT-SSGは38.72%のF1スコア（臨床的有効性）を達成し、ViViT（27.54%）やResNet3D（25.45%）を大幅に上回りました。腹部CTの転移においては、凍結された胸部事前学習済み重みの線形プロービングが、低データ環境下でのゼロからの教師あり学習を上回りました。

意義と主張
著者らは、CT-SSGが2Dとボリュームモデリングの架け橋となる柔軟で一般的なパラダイムを提供すると主張しています。CTボリュームを構造化グラフとして表現することにより、本手法は近傍の定義とエッジの重み付けを明示的に制御でき、Transformerの密な結合に対する物理的根拠に基づいた代替案を提供します。本研究は、明示的な構造的事前知識（局所的なスライス間の結合など）が、3D推論のための効果的な帰納バイアスとして機能し、3D Transformerと比較して低い計算複雑度で競争力のある性能を達成できることを示唆しています。著者らは、CT-SSGを、広範なドメイン特化型の事前学習を必要とせずに、異常検出やレポート生成を含む幅広い3D医療画像タスクに適した多用途なバックボーンとして位置付けています。